CN116818103A - 一种基于多模光纤散斑的偏振测量方法及系统 - Google Patents
一种基于多模光纤散斑的偏振测量方法及系统 Download PDFInfo
- Publication number
- CN116818103A CN116818103A CN202310775052.5A CN202310775052A CN116818103A CN 116818103 A CN116818103 A CN 116818103A CN 202310775052 A CN202310775052 A CN 202310775052A CN 116818103 A CN116818103 A CN 116818103A
- Authority
- CN
- China
- Prior art keywords
- measurement
- training
- polarization
- measurement model
- speckle pattern
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000010287 polarization Effects 0.000 title claims abstract description 208
- 238000000691 measurement method Methods 0.000 title claims abstract description 33
- 239000000835 fiber Substances 0.000 title claims abstract description 31
- 238000005259 measurement Methods 0.000 claims abstract description 249
- 238000012549 training Methods 0.000 claims abstract description 122
- 239000013307 optical fiber Substances 0.000 claims abstract description 56
- 238000013507 mapping Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000012795 verification Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 17
- 238000011176 pooling Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 230000008878 coupling Effects 0.000 claims description 8
- 238000010168 coupling process Methods 0.000 claims description 8
- 238000005859 coupling reaction Methods 0.000 claims description 8
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 abstract description 19
- 238000013528 artificial neural network Methods 0.000 abstract description 16
- 238000000034 method Methods 0.000 description 17
- 239000013598 vector Substances 0.000 description 9
- 238000012360 testing method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000035945 sensitivity Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J4/00—Measuring polarisation of light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Testing Of Optical Devices Or Fibers (AREA)
Abstract
本发明涉及偏振计技术领域，提供了一种基于多模光纤散斑的偏振测量方法及系统。其中，将各个偏振光依次输入至多模光纤后，得到大量散斑图；构建测量模型，使用散斑图训练测量模型，得到散斑图与相应斯托克斯参量的映射关系；将待测光输入至多模光纤得到对应散斑图后，再使用测量模型，根据该散斑图得到其斯托克斯参量，即得到偏振态。本发明利用多模光纤模态对入射光偏振态的敏感特性，测量得到大量散斑图，测量次数多，使用包含光学元件的电动偏振控制器，成本较低，操作简单，避免调节校准；引入神经网络作数据处理，解决了计算复杂的问题，避免任意测量误差都会对结果造成巨大影响。
Description
技术领域
本发明涉及偏振计技术领域，特别是涉及一种基于多模光纤散斑的偏振测量方法及系统。
背景技术
偏振是光的基本物理特性之一，包含基于强度的传感器所忽略的信息。传统的偏振测量思路是利用包含大量偏振敏感光学元件(如起偏器、波片等)搭建光路，测量通过各个元件后的光功率，计算出相应的斯托克斯参量，从而确定偏振态。经典的测量偏振态方法使用了一个线偏振片和一个固定的1/4波片，首先在光路中仅插入线偏振片，分别记录透射轴位置水平、垂直和+45°时的出射功率，依据此计算出前三个斯托克斯参量，在+45°的线偏振片前面插入快轴沿水平方向的1/4波片，测量输出功率，得到第四个斯托克斯参量。尽管该方法非常简单，但其测量次数很少，任意测量中的误差都会对结果造成巨大影响，且光学元件的移动对功率的测量存在一定影响。
市面上众多偏振态测量产品则是使用四分之一波片法测量，首先固定线偏振片并使其透射轴水平，然后旋转1/4波片，记录随波片角度变化的功率，需要从0°到180°之间选取间隔相同的至少八个角度测量功率。不同角度下的测量功率具有一个通用表达式，通过傅里叶分析可得出相应通用表达式的四个系数，由此再算出斯托克斯参数，从而确定偏振态。该方案的优点是测量过程中所有光学元件都在光路中，不用担心因为更换光学元件而改变功率。而且，通过减小角度间隔以增加测量次数还能提高测量准确度；缺点是计算相对复杂，且如果波片延迟量偏离π/4，比如光路没有对准或者波片的设计波长和激光波长不匹配，都会导致计算结果出现误差。
传统的偏振测量方法有的简单，但其测量次数很少，任意测量中的误差都会对结果造成巨大影响，且光学元件的移动对功率的测量存在一定影响；现有的偏振态测量技术，虽然解决了光学元件需要移动导致操作不便的问题，但计算相对复杂，且系统中包含的光学元件成本较高。
鉴于此，克服该现有技术所存在的缺陷是本技术领域亟待解决的问题。
发明内容
本发明要解决的技术问题是提供一种基于多模光纤散斑的偏振测量方法及系统，能够利用多模光纤得到大量散斑图，使用神经网络建立散斑图与斯托克斯参量的映射关系，实现对偏振态的测量，无需使用成本较高的光学元件，也不对光学元件进行移动，测量次数多，避免了任意测量误差都会对结果造成巨大影响，便于操作的同时保证了偏振态测量的准确度。
本发明采用如下技术方案：
第一方面，本发明提供了一种基于多模光纤散斑的偏振测量方法，所述偏振测量方法包括：
根据已知光得到多个偏振光，将各个所述偏振光依次输入至多模光纤，得到测量数据集；
构建初始测量模型，根据所述测量数据集训练所述初始测量模型，得到目标测量模型；
将待测光输入所述多模光纤，得到测量散斑图，使用目标测量模型，根据所述测量散斑图得到测量斯托克斯参量，以实现对所述待测光偏振态的测量。
进一步地，所述根据已知光得到多个偏振光，将各个所述偏振光依次输入至多模光纤，得到测量数据集包括：
根据所述已知光得到已知固定偏振态的入射光；
根据所述入射光的偏振态，计算得到所述偏振光各自对应的训练斯托克斯参量；
将所述入射光输入至电动偏振控制器，调节所述电动偏振控制器，得到多个具有不同偏振态的偏振光；
将各个所述偏振光依次输入至所述多模光纤，以激发起多种模式，在所述多模光纤出射端面得到所述多种模式耦合叠加的散斑，采集所述散斑的训练散斑图；
根据所述训练散斑图和对应的训练斯托克斯参量，得到所述测量数据集。
进一步地，所述构建初始测量模型，根据所述测量数据集训练所述初始测量模型，得到目标测量模型包括：
构建所述初始测量模型；
根据所述测量数据集，以所述训练散斑图为所述初始测量模型的输入，以所述训练斯托克斯参量为相应训练散斑图的标签，训练所述初始测量模型，得到目标测量模型，用于得到散斑图与斯托克斯参量的映射关系。
进一步地，所述初始测量模型包括依次连接的卷积层、池化层和高斯误差线性单元，用于提取散斑图相对于斯托克斯参量的特征；
所述高斯误差线性单元的激活函数是GeLU函数，公式如下：
GeLU(x)＝xΦ(x)
其中，x表示输入数据，Φ(x)表示高斯分布的累积概率分布；
所述构建所述初始测量模型包括：
对所述训练散斑图进行卷积，得到各个通道相应的特征图；
对所述特征图进行最大池化操作，从所述特征图中提取最大特征；
根据所述最大特征，使用所述激活函数学习散斑图的非线性特征，得到多维特征。
进一步地，所述初始测量模型还包括依次连接的展平层和全连接层，所述构建所述初始测量模型还包括：
所述展平层将所述多维特征转换为一维特征，将所述一维特征输入至所述全连接层；
所述全连接层对所述一维特征进行分类。
进一步地，所述根据所述测量数据集，以所述训练散斑图为所述初始测量模型的输入，以所述训练斯托克斯参量为相应训练散斑图的标签，训练所述初始测量模型，得到目标测量模型，用于得到散斑图与斯托克斯参量的映射关系包括：
以所述训练散斑图为输入，以所述训练斯托克斯参量为相应训练散斑图的标签，划分所述测量数据集，得到训练集和验证集；
根据所述训练集对所述初始测量模型进行训练，根据所述验证集对所述初始测量模型进行验证，调整所述初始测量模型，得到目标测量模型。
进一步地，所述电动偏振控制器包含两个波片；
所述将所述入射光输入至电动偏振控制器，调节所述电动偏振控制器，得到多个具有不同偏振态的偏振光包括：
旋转所述波片，单个所述波片每旋转预设步长得到一个所述偏振光；
所述以所述训练散斑图为输入，以所述训练斯托克斯参量为相应训练散斑图的标签，划分所述测量数据集，得到训练集和验证集包括：
将两个所述波片按照预设步长进行旋转，每旋转一次获取一个偏振光，将从0个步长至预设个步长所对应的偏振光作为一组数据，循环采集N组数据，其中，N-1组所述数据作为所述训练集，1组所述数据作为所述验证集。
进一步地，所述根据所述训练集对所述初始测量模型进行训练，根据所述验证集对所述初始测量模型进行验证，调整所述初始测量模型，得到目标测量模型包括：
根据所述训练集对初始测量模型进行训练，确定所述初始测量模型的普通参数；
根据所述验证集对所述初始测量模型进行验证，得到验证结果，根据所述验证结果调整所述初始测量模型的超参数，确定所述超参数，得到目标测量模型。
第二方面，本发明还提供了一种基于多模光纤散斑的偏振测量系统，所述基于多模光纤散斑的偏振测量系统用于实现如第一方面所述的偏振测量方法；所述偏振测量系统包括测量装置1、采集装置2和处理装置3，所述处理装置3分别与采集装置2和测量装置1连接；所述测量装置1包括多模光纤11；
所述测量装置1用于根据已知光得到多个偏振光，将各个所述偏振光依次输入至多模光纤11，得到测量数据集；
所述处理装置3用于构建测量模型，根据所述测量数据集训练所述初始测量模型；
在待测光输入所述多模光纤11后，所述采集装置2用于对多模光纤11的出射端面进行采集，得到测量散斑图；
所述处理装置3还用于使用目标测量模型，根据所述测量散斑图得到测量斯托克斯参量，以实现对所述待测光偏振态的测量。
进一步地，所述测量装置1还包括保偏光纤12、起偏器13和电动偏振控制器14，其中：
所述保偏光纤12和起偏器13依次连接，用于根据所述已知光得到已知固定偏振态的入射光；所述电动偏振控制器14，用于得到多个具有不同偏振态的偏振光；
所述处理装置3与所述电动偏振控制器14连接，所述处理装置3用于从所述电动偏振控制器14中获取所述入射光的偏振态，根据所述入射光的偏振态，计算得到所述偏振光各自对应的训练斯托克斯参量。
区别于现有技术，本发明至少具有以下有益效果：
本发明利用多模光纤激发多种模态耦合叠加，获取大量散斑图，得到测量数据集；引入神经网络作数据处理，使用测量数据集训练测量模型，自动学习得到散斑图与斯托克斯参量的映射关系，解决人工计算复杂的问题，避免了任意测量误差都会对结果造成巨大影响。基于多模光纤散斑和神经网络模型，实现对偏振态的测量，便于操作，成本较低，测量准确度稳定。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提出的一种基于多模光纤散斑的偏振测量方法的流程示意图；
图2是本发明实施例步骤10的具体流程示意图；
图3是本发明实施例步骤20的具体流程示意图；
图4是本发明实施例步骤201的具体流程示意图；
图5是本发明实施例测量模型的神经网络结构图；
图6是本发明实施例步骤202的具体流程示意图；
图7是本发明实施例提供的一种基于多模光纤散斑的偏振测量系统的结构示意图；
图8是本发明实施例提供的偏振测量系统的具体结构示意图；
图9是本发明实施例提供的偏振测量系统的另一种具体结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明的描述中，术语“内”、“外”、“纵向”、“横向”、“上”、“下”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明而不是要求本发明必须以特定的方位构造和操作，因此不应当理解为对本发明的限制。
本发明中术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本申请中，除非另有明确的规定和限定，术语“连接”应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或成一体；可以是直接相连，也可以通过中间媒介间接相连。此外，术语“耦接”可以是实现信号传输的电性连接的方式。
此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1:
为了更清楚的说明本实施例的方案，在此先简要介绍一下斯托克斯矢量。本发明实施例利用多模光纤对入射光偏振态的敏感特性，得到大量偏振态数据，使用神经网络模型，得到散斑图与斯托克斯参量的映射关系，实现测量偏振态的目的，然后使用训练好的神经网络模型对待测光进行测量，得到相应的偏振态。
使用偏振视觉技术可以处理图像分割和物体定向等困难的计算机视觉任务，所有可能的偏振态都可以用斯托克斯矢量表示，可以通过确定斯托克斯矢量的四个参量来确定偏振态，斯托克斯矢量如下所示：
其中，S0表示总光强度，S1表示水平方向和竖直方向的线偏振光分量之差，S2表示+45°方向和-45°方向的线偏振光分量之差，S3表示右旋圆偏振光分量和左旋圆偏振光分量之差，Ex、Ey分别代表入射光在x方向和y方向的振动分量的振幅，θ代表x方向和y方向的振动分量之间的相位差。
为解决前述问题，如图1所示，本实施例提供了一种基于多模光纤散斑的偏振测量方法，所述偏振测量方法包括：
步骤10：根据已知光得到多个偏振光，将各个所述偏振光依次输入至多模光纤，得到测量数据集。
本发明实施例利用激光器发射波长确定的已知光，根据该已知光，使用测量装置得到大量可计算偏振态的偏振光。其中，因为所有可能的偏振态都可以用斯托克斯矢量表示，确定斯托克斯矢量的四个参量即可确定偏振态，所以本发明实施例通过斯托克斯参量表示偏振态。将偏振光多次输入多模光纤，得到不同偏振光对应的散斑图；计算偏振光对应的斯托克斯参量的理论值，以偏振光的四个斯托克斯参量的理论值为散斑图的标签，得到散斑图与斯托克斯参量的测量数据集，便于后续实现基于散斑图对偏振态进行测量。
步骤20：构建初始测量模型，根据所述测量数据集训练所述初始测量模型，得到目标测量模型。
为了实现基于散斑图对偏振态进行测量，需要建立散斑图与斯托克斯参量之间的映射关系，因为使用大量数据才能得到更精准的映射关系，所以通过构建测量模型，引入神经网络作高效数据处理，使用步骤10中得到的测量数据集训练该模型，通过该模型得到散斑图与斯托克斯参量的映射关系。
步骤30：将待测光输入所述多模光纤，得到测量散斑图，使用目标测量模型，根据所述测量散斑图得到测量斯托克斯参量，以实现对所述待测光偏振态的测量。
其中，目标测量模型为步骤20中训练好的测量模型；测量散斑图为待测光经过多模光纤，出射到空间中形成的散斑对应的图像；测量斯托克斯参量为使用该目标测量模型，将测量散斑图输入目标测量模型得到的对应斯托克斯参量。在对待测光进行测量时，多模光纤出射端面形成该待测光相应的散斑，捕获采集该空间中包含相应散斑的图像，得到待测光测量过程中的测量散斑图。在对某个波长待测光的偏振态进行测量时，首先需要获取该波长散斑图与斯托克斯参量的映射关系，即该波长的目标测量模型，根据该映射关系才能得到相应的偏振态。
本发明实施例能够通过多模光纤得到相应散斑图，从大量散斑图和对应斯托克斯参量中得到相应的映射关系，以实现根据散斑图测量偏振态，无需更换光学元件，尽可能降低计算误差和减少成本，解决了现有技术偏振测量中可能存在较大测量误差和成本较高的问题。
实施例2：
本发明实施例2为实施例1偏振测量方法的进一步优选方案，测量装置还包括保偏光纤和起偏器，用于根据已知光得到具有固定偏振态的入射光，以便进行后续步骤。其中，保偏光纤用于传输偏振光，起偏器用于从自然光中获得固定偏振态的偏振光。为了更好的阐述本发明的偏振测量方法，接下来对本发明实施例偏振测量方法的步骤10做进一步的细化，如图2所示，所述步骤10包括：
步骤101：根据所述已知光得到已知固定偏振态的入射光。
其中，已知光为已知固定波长的光，本发明实施例使用1550nm激光器发射波长为1550nm的已知光；入射光为已知光通过依次连接的保偏光纤和起偏器后，得到的具有固定偏振态的光，且该固定偏振态已知，以便于后续计算。由于在对某个波长待测光的偏振态进行测量时，首先需要获取该波长散斑图与斯托克斯参量的映射关系，即该波长的目标测量模型，根据该映射关系才能得到相应的偏振态，所以在建立测量数据集时，先根据已知光得到入射光，即得到一个确定的偏振态，才能基于该偏振态，得到大量偏振光和对应的偏振态，进行后续操作。
步骤102：根据所述入射光的偏振态，计算得到所述偏振光各自对应的训练斯托克斯参量。
其中，入射光的偏振态由对应的四个斯托克斯参量表示；训练斯托克斯参量为偏振光各自对应的偏振态的理论值，通过计算获得。根据已知的入射光固定偏振态，可以通过琼斯矢量计算得到从多模光纤中输出光的相应斯托克斯参量，其理论值作为相应散斑的标签。
步骤103：将所述入射光输入至电动偏振控制器，调节所述电动偏振控制器，得到多个具有不同偏振态的偏振光。
所述电动偏振控制器包含两个波片。所述步骤103包括：旋转所述波片，单个所述波片每旋转预设步长得到一个所述偏振光。
其中，由于电动偏振控制器的两个波片旋转角度均为0-225°，且该器件的每个波片的旋转都被分为0至1000个调控单位，即每个波片0.225°的旋转角度为一个调控单位，将每个波片的一个调控单位描述为1个步长；所述预设步长为50个步长，电动偏振控制器的单个波片每旋转50个步长得到一个所述偏振光。
本发明实施例先通过已知固定偏振态的入射光作为基准，确定将该入射光输入多模光纤能够激发起大量模式，进而能够采集到相应散斑的采集图像，再通过电动偏振控制器调节后得到多个偏振光。通过电动偏振控制器精确控制波片的旋转角度，使输入电动偏振控制器和输出电动偏振控制器的偏振态之间的关系符合琼斯矢量计算，只有在符合的情况下，才能计算出相应斯托克斯参量的理论值。将多个偏振光依次输入至多模光纤，得到多种另外的偏振态，以电动偏振控制器调制出的偏振光所对应的采集图像，为测量数据集中的训练散斑图，由于电动偏振控制器的两个波片旋转角度均为0-225°，分为1000个旋转步数，两个波片通过旋转能使偏振光的斯托克斯参量遍布庞加莱球，每一个斯托克斯参量都对应于单位球面内的一个点，所以可以通过琼斯矢量计算得到相应斯托克斯参量的理论值，以建立测量数据集。
由于普通的偏振控制器包含三个需要手动调整的波片(排列顺序为1/4波片，1/2波片，1/4波片，旋转角度均为180°，仅需一个该器件即可实现从输入至任意偏振态输出的转换)，改变其旋转角度即可调节已知光的偏振态，进而得到多个偏振光，但其只能纯手动控制，即无法确定波片的具体旋转角度，无法得到输出的多个偏振光的偏振态和输入的已知光的偏振态之间的转换关系，无法通过琼斯矢量计算得到相应的斯托克斯参量理论值。所以本发明实施例使用电动偏振控制器，电动偏振控制器包含两个1/4波片，旋转角度均为225°，仅需一个该器件即可实现从输入到任意偏振态输出的转换。该器件的两个波片均由器件内置的软件控制，在软件上被划分为0至1000个旋转的步数，输入(x，y)将两个波片分别旋转到对应位置(x,y均为0至1000内的任意整数，表示指定旋转的步长个数)，得到多个具有不同偏振态的偏振光。
本发明实施例通过使用电动偏振控制器，自动旋转波片获取大量偏振光，测量次数多，得到的测量数据量大。后续将这些偏振光输入多模光纤后得到相应散斑图，以训练测量模型，解决了任意测量中的误差都会对结果造成巨大影响的问题；同时，电动偏振控制器将波片封装于仪器内部，使用时，无需手动调节、移动波片以对准光路，直接将电动偏振控制器的输入输出连接线接入即可，操作简单便捷，避免了波片等光学元件不在光路中造成测量误差；且电动偏振控制器为已经成熟应用于市场的仪器，价格低廉，解决了光学元件成本高的问题。
步骤104：将各个所述偏振光依次输入至所述多模光纤，以激发起多种模式，在所述多模光纤出射端面得到所述多种模式耦合叠加的散斑，使用电荷耦合器件相机采集所述散斑的训练散斑图。
其中，训练散斑图为电动偏振控制器调制出的偏振光相应的散斑图，用于训练测量模型。光入射多模光纤时会激发起大量模式，多模光纤出射端面获得的散斑图实际上就是模式的叠加图。输入光物理特性的改变(如波长、偏振等)和外界环境因素的变化(如温度、振动等)均会影响光纤内部的模式耦合，使得输出的散斑图产生改变。当保持其他条件不变时，散斑图将与偏振态形成一对一的映射关系，将该映射关系记录成测量数据集，用于训练测量模型，以便后续使用该关系，进行偏振态的测量。
电荷耦合器件相机获得的除了包含散斑的采集图像，还有相应的CSV(Comma-Separated Values，逗号分隔值)数据文件。使用时，对于采集图像和CSV数据文件都截取包含散斑的部分。本发明实施例不直接使用采集图像，而是用CSV数据文件，该文件中包含采集图像数据的同时，还包含了强度分布信息等，相比于JPEG(Joint Photographic ExpertsGroup，联合图像专家组)的图片格式，CSV数据文件的像素点更多，信息更多，以便于后续对图像进行特征提取时，获取更多的特征以建立更精确的映射关系。
步骤105：根据所述训练散斑图和对应的训练斯托克斯参量，得到所述测量数据集。其中，测量数据集为训练散斑图和训练斯托克斯参量相互对应的数据集，用于训练某波长相应的测量模型。
得到散斑图与偏振态斯托克斯参量一一对应的测量数据集后，由于数据量庞大，考虑使用神经网络进行快速的映射关系建立。为了更好的阐述本发明的偏振测量方法，接下来对本发明实施例的偏振测量方法的步骤20做进一步的细化，如图3所示，所述步骤20包括：
步骤201：构建所述初始测量模型。测量模型相当于使用训练斯托克斯参量对训练散斑图进行分类。
在可选的实施例中，由于输入数据为图像数据，选取卷积神经网络做数据处理，使训练散斑图中RGB(red、green、blue，红、绿、蓝)三个通道相对于训练斯托克斯参量的特征都被先分别后共同提取出来，即三维形状数据中隐藏的本质特征被提取出来。
本发明实施例的卷积层、池化层和高斯误差线性单元的输入通道数和输出通道数都为3，对于RGB图像数据，三通道信息更加丰富，能够建立更加准确的关系，使得在偏振态变化不是很大的情况下，测量模型也有较高的灵敏度。
步骤202：根据所述测量数据集，以所述训练散斑图为所述初始测量模型的输入，以所述训练斯托克斯参量为相应训练散斑图的标签，训练所述初始测量模型，得到目标测量模型，用于得到散斑图与斯托克斯参量的映射关系。
神经网络全连接层的输出为多个训练散斑图相应的斯托克斯参量，将该输出与相应标签做对比评估，其中标签为对应训练斯托克斯参量，调整网络模型参数，对这个过程进行迭代，直至得到拟合优秀的测量模型，以得到散斑图与斯托克斯参量的映射关系。
为了更好的阐述本发明的偏振测量方法，接下来对本发明实施例的偏振测量方法的步骤20做更进一步的细化，明确测量模型的具体网络结构和训练方法，所述初始测量模型包括依次连接的卷积层、高斯误差线性单元和池化层，用于提取散斑图相对于斯托克斯参量的特征。所述高斯误差线性单元的激活函数是GeLU函数，公式如下：
GeLU(x)＝xΦ(x)
其中，x表示输入数据，Φ(x)表示高斯分布的累积概率分布。
如图4所示，所述步骤201包括：
步骤2011：对所述训练散斑图进行卷积，得到各个通道相应的特征图。卷积神经网络中的卷积层可以保持数据形状不变，当输入训练散斑图图像时，卷积层会以三维数据的形式接收输入数据，并同样以三维的数据形式输出至下一层，在尺寸不变的图像上提取特征，能够获取三个通道的数据更多隐藏的细节本质特征。
步骤2012：对所述特征图进行最大池化操作，从所述特征图中提取最大特征。池化层的作用是缩小数据高、长方向空间的运算，本发明实施例使用Max池化，即从目标区域中取出最大值，池化层没有需要学习的参数，且输入、输出数据的通道数不会发生变化。
步骤2013：根据所述最大特征，使用所述激活函数学习散斑图的非线性特征，得到多维特征。卷积神经网络的激活函数一般使ReLU函数，该函数能克服梯度消失问题，加快训练速度，但当输入为负数时，该函数完全不被激活，即存在神经元坏死现象，且其输出非负性使得ReLU函数并非以0为中心的函数。因此本发明实施例使用GeLU函数作为激活函数，解决ReLU函数的上述问题，这是一种高斯误差线性单元，在激活中加入了随机正则的思想，使用均值为0，方差为1的高斯分布。
所述初始测量模型还包括依次连接的展平层和全连接层，所述步骤201还包括：
步骤2014：所述展平层将所述多维特征转换为一维特征，将所述一维特征输入至所述全连接层。
步骤2015：所述全连接层对所述一维特征进行分类。
本发明实施例测量模型的神经网络结构图如图5所示，卷积层、池化层和高斯误差线性单元，用于将原始训练散斑图数据映射到隐层特征空间；展平层和全连接层将前面步骤中神经网络学到的分布式特征表示，映射到样本标记空间。展平层与全连接层都只有一个输出通道，展平层将训练散斑图的三维特征展开，然后映射到一维，全连接层根据标签对其进行分类。
使用卷积神经网络建立测量模型后，训练该测量模型以得到散斑图与斯托克斯参量的映射关系，如图6所示，所述步骤202包括：
步骤2021：以所述训练散斑图为输入，以所述训练斯托克斯参量为相应训练散斑图的标签，划分所述测量数据集，得到训练集和验证集。
所述步骤2021包括：
将两个所述波片按照预设步长进行旋转，每旋转一次获取一个偏振光，将从0个步长至预设个步长所对应的偏振光作为一组数据，循环采集N组数据，其中，N-1组所述数据作为所述训练集，1组所述数据作为所述验证集。
训练散斑图为与偏振光相对应的数据，偏振光由电动偏振控制器得到，将每个偏振光输入多模光纤，得到相应的训练散斑图。其中，所述预设步长为50个步长，每旋转50个步长获取一个偏振光，所述预设个步长为1000个步长，本发明实施例以电动偏振控制器的两个波片从0旋转至1000个步长为一组数据，由于多模光纤对外界环境非常敏感，采集8组数据作为网络的训练集，1组作为验证集，1组作为测试集，保证神经网络学习到不同偏振态散斑的输出特征，且能排除微小温度扰动的影响。
步骤2022：根据所述训练集对所述初始测量模型进行训练，根据所述验证集对所述初始测量模型进行验证，调整所述初始测量模型，得到目标测量模型。
所述步骤2022包括：
根据所述训练集对初始测量模型进行训练，确定所述初始测量模型的普通参数。根据所述验证集对所述初始测量模型进行验证，得到验证结果，根据所述验证结果调整所述初始测量模型的超参数，确定所述超参数，得到目标测量模型。
神经网络在网络结构确定的情况下，有两部分影响模型最终的性能，分别是普通参数和超参数。其中，普通参数在训练集上进行训练，超参数如迭代次数和学习率等，一般人工指定，训练得到对应神经网络后，再通过比较不同超参数的模型在验证集上的性能，通过不断调整超参数，获得在验证集中误差最小的神经网络，确定超参数。超参数一般难以优化，无法像普通参数一样通过梯度下降的方式进行优化，为了避免过拟合，超参数不适合在训练集上进行训练，因此本发明实施例单独划分验证集，其中的数据与训练集和测试集都独立无重叠，用于人工选择最优的超参数。可以将神经网络完整的训练过程归结为两个步骤：在训练集(给定超参数)上利用给定的网络结构，训练普通参数，使得模型在训练集上的误差降低；在验证集上验证网络的泛化能力，并根据模型性能对超参数进行调整。重复以上两个步骤，直到获取到较好的结果，然后用于测试集，对模型进行评估。本发明实施例通过不断训练优化网络，可实现误差小于相邻两点标签的斯托克斯参量间距。
得到目标测量模型后，即可执行步骤30，将待测光输入多模光纤，多模光纤出射端面形成该待测光相应的散斑，使用电荷耦合器件相机采集对应的测量散斑图，将该测量散斑图输入目标测试模型，得到四个斯托克斯参量，即实现了对该待测光偏振态的测量。
本发明实施例使用封装光学元件的电动偏振控制器，成本低廉，无需移动，操作便捷；通过电动偏振控制器得到大量偏振光用于测量，解决了测量次数少的问题。利用多模光纤激发多种模态耦合叠加，获取大量散斑图，得到测量数据集，引入神经网络作数据处理，使用测量数据集训练测量模型，自动学习得到散斑图与斯托克斯参量的映射关系，解决人工计算复杂的问题，避免了任意测量误差都会对结果造成巨大影响。测量模型中，提取特征的网络层使用多维通道，训练时，使用包含强度信息的CSV数据文件作为训练散斑图，进一步提高了测量模型的精度，使得本发明实施例对偏振态测量的灵敏度较高。基于多模光纤散斑和神经网络模型，实现对偏振态的测量，便，测量准确度稳定。依靠神经网络算法进行分析匹配，使得偏振态测量能够在更多领域得到应用，具有广阔的市场前景。
实施例3:
本发明实施例3在上述实施例2提供的基于多模光纤散斑的偏振测量方法的基础上，提供一种基于多模光纤散斑的偏振测量系统，所述基于多模光纤散斑的偏振测量系统用于实现实施例2的偏振测量方法，如图7所示，所述偏振测量系统包括测量装置1、采集装置2和处理装置3，所述处理装置3分别与采集装置2和测量装置1连接；所述测量装置1包括多模光纤11。
所述测量装置1用于根据已知光得到多个偏振光，将各个所述偏振光依次输入至多模光纤11，得到测量数据集。所述处理装置3用于构建测量模型，根据所述测量数据集训练所述初始测量模型。在待测光输入所述多模光纤11后，所述采集装置2用于对多模光纤11的出射端面进行采集，得到测量散斑图。所述处理装置3还用于使用目标测量模型，根据所述测量散斑图得到测量斯托克斯参量，以实现对所述待测光偏振态的测量。
值得注意的是，系统的灵敏度受到多模光纤长度的影响，长度越长灵敏度越高。在其他条件不变的情况下，多模光纤的长度越长，支持的模式数量越多，所以在获取训练散斑图和测试散斑图时，将偏振光输入多模光纤，能够激发起更多的模式，在多模光纤的出射端面得到更多模式耦合叠加的散斑，从而得到包含更多细节特征的训练散斑图数据和测试散斑图数。包含更多信息的训练散斑图能够训练出灵敏度更高的测试模型；测试散斑图所包含的信息量越大，使用测试模型提取出相应散斑图的特征信息越多，越能够更精准的匹配出对应的斯托克斯参量，即本发明实施例偏振测量系统的灵敏度越高。
在可选的实施例中，如图8所示，所述测量装置1还包括保偏光纤12、起偏器13和电动偏振控制器14，其中：
所述保偏光纤12和起偏器13依次连接，用于根据所述已知光得到已知固定偏振态的入射光；所述电动偏振控制器14，用于得到多个具有不同偏振态的偏振光。利用激光器发出已知波长的输出光，依次通过保偏光纤12、偏振控制器13和起偏器13，获得已知固定偏振态的入射光，该入射光通过电动偏振控制器14，被调制成具有不同斯托克斯参量的偏振光，其作为多模光纤11的输入，激发起多种模式耦合叠加，光出射到空间中形成散斑。由于激光器发射的已知光的偏振态可能存在波动，影响后续获取的数据的稳定性，因此需要使用起偏器将已知光的偏振态固定。当已知光的偏振态和入射光的偏振态正交或接近正交时，起偏器输出的光功率近乎于0，且后续还存在其他器件对已知光的插入损耗，以上两种因素叠加可能导致后续采集的散斑图数据存在较大误差，所以在可选的实施例中，如图9所示，在保偏光纤和起偏器之间接入偏振控制器，以调整已知光的偏振态，确保后续采集的散斑图具有清晰偏振态强度分布的散斑；由于该步骤无需精细调整以确定波片的具体旋转角度，使用手动调整的偏振控制器即可。
所述处理装置3与所述电动偏振控制器14连接，所述处理装置3用于从所述电动偏振控制器14中获取所述入射光的偏振态，根据所述入射光的偏振态，计算得到所述偏振光各自对应的训练斯托克斯参量。
一个具体的基于多模光纤散斑的偏振测量系统如图9所示，其中，采集装置2具体可以为电荷耦合器件相机(Charge-Coupled Device，CCD)，处理装置3具体可以为电脑。电荷耦合器件相机捕获采集空间中的采集图像，该采集图像包含偏振光出射到空间中形成的散斑；同时，电荷耦合器件相机还获得采集图像的相应CSV数据文件；截取其中包含散斑的部分作为训练散斑图数据。待测光获取测量散斑图的过程与上述过程相同。电脑与电动偏振控制器14连接，从电动偏振控制器14中获取入射光的偏振态，再根据入射光的偏振态，计算得到多个偏振光各自对应的训练斯托克斯参量；电脑与电荷耦合器件相机连接，获取训练散斑图和测量散斑图，用于得到测量数据集。
本发明实施例的偏振测量系统利用多模光纤散斑传感技术，实现实施例1中基于多模光纤散斑的偏振测量方法，系统中包含的器件均为市场上已成熟封装的，操作便捷，成本低廉。
在此需要说明的是，多模光纤11、保偏光纤12、起偏器13和电动偏振控制器14，以及电荷耦合器件相机和电脑，都对应选择相应地现有产品即可，以上装置的工作原理也基于现有技术即可。上述系统内装置的模块、单元之间的信息交互、执行过程等内容，由于与本发明的偏振测量方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多模光纤散斑的偏振测量方法，其特征在于，所述偏振测量方法包括：
根据已知光得到多个偏振光，将各个所述偏振光依次输入至多模光纤，得到测量数据集；
构建初始测量模型，根据所述测量数据集训练所述初始测量模型，得到目标测量模型；
将待测光输入所述多模光纤，得到测量散斑图，使用目标测量模型，根据所述测量散斑图得到测量斯托克斯参量，以实现对所述待测光偏振态的测量。
2.根据权利要求1所述的偏振测量方法，其特征在于，所述根据已知光得到多个偏振光，将各个所述偏振光依次输入至多模光纤，得到测量数据集包括：
根据所述已知光得到已知固定偏振态的入射光；
根据所述入射光的偏振态，计算得到所述偏振光各自对应的训练斯托克斯参量；
将所述入射光输入至电动偏振控制器，调节所述电动偏振控制器，得到多个具有不同偏振态的偏振光；
将各个所述偏振光依次输入至所述多模光纤，以激发起多种模式，在所述多模光纤出射端面得到所述多种模式耦合叠加的散斑，采集所述散斑的训练散斑图；
根据所述训练散斑图和对应的训练斯托克斯参量，得到所述测量数据集。
3.根据权利要求2所述的偏振测量方法，其特征在于，所述构建初始测量模型，根据所述测量数据集训练所述初始测量模型，得到目标测量模型包括：
构建所述初始测量模型；
根据所述测量数据集，以所述训练散斑图为所述初始测量模型的输入，以所述训练斯托克斯参量为相应训练散斑图的标签，训练所述初始测量模型，得到目标测量模型，用于得到散斑图与斯托克斯参量的映射关系。
4.根据权利要求1所述的偏振测量方法，其特征在于，所述初始测量模型包括依次连接的卷积层、池化层和高斯误差线性单元，用于提取散斑图相对于斯托克斯参量的特征；
所述高斯误差线性单元的激活函数是GeLU函数，公式如下：
GeLU(x)＝xΦ(x)
其中，x表示输入数据，Φ(x)表示高斯分布的累积概率分布；
所述构建初始测量模型包括：
对所述训练散斑图进行卷积，得到各个通道相应的特征图；
对所述特征图进行最大池化操作，从所述特征图中提取最大特征；
根据所述最大特征，使用所述激活函数学习散斑图的非线性特征，得到多维特征。
5.根据权利要求4所述的偏振测量方法，其特征在于，所述初始测量模型还包括依次连接的展平层和全连接层，所述构建初始测量模型还包括：
所述展平层将所述多维特征转换为一维特征，将所述一维特征输入至所述全连接层；
所述全连接层对所述一维特征进行分类。
6.根据权利要求3所述的偏振测量方法，其特征在于，所述根据所述测量数据集，以所述训练散斑图为所述初始测量模型的输入，以所述训练斯托克斯参量为相应训练散斑图的标签，训练所述初始测量模型，得到目标测量模型，用于得到散斑图与斯托克斯参量的映射关系包括：
以所述训练散斑图为输入，以所述训练斯托克斯参量为相应训练散斑图的标签，划分所述测量数据集，得到训练集和验证集；
根据所述训练集对所述初始测量模型进行训练，根据所述验证集对所述初始测量模型进行验证，调整所述初始测量模型，得到目标测量模型。
7.根据权利要求6所述的偏振测量方法，其特征在于，所述电动偏振控制器包含两个波片；
所述将所述入射光输入至电动偏振控制器，调节所述电动偏振控制器，得到多个具有不同偏振态的偏振光包括：
旋转所述波片，单个所述波片每旋转预设步长得到一个所述偏振光；
所述以所述训练散斑图为输入，以所述训练斯托克斯参量为相应训练散斑图的标签，划分所述测量数据集，得到训练集和验证集包括：
将两个所述波片按照预设步长进行旋转，每旋转一次获取一个偏振光，将从0个步长至预设个步长所对应的偏振光作为一组数据，循环采集N组数据，其中，N-1组所述数据作为所述训练集，1组所述数据作为所述验证集。
8.根据权利要求6所述的偏振测量方法，其特征在于，所述根据所述训练集对所述初始测量模型进行训练，根据所述验证集对所述初始测量模型进行验证，调整所述初始测量模型，得到目标测量模型包括：
根据所述训练集对初始测量模型进行训练，确定所述初始测量模型的普通参数；
根据所述验证集对所述初始测量模型进行验证，得到验证结果，根据所述验证结果调整所述初始测量模型的超参数，确定所述超参数，得到目标测量模型。
9.一种基于多模光纤散斑的偏振测量系统，其特征在于，所述基于多模光纤散斑的偏振测量系统用于实现如权利要求1-8任一项所述的偏振测量方法；所述偏振测量系统包括测量装置(1)、采集装置(2)和处理装置(3)，所述处理装置(3)分别与采集装置(2)和测量装置(1)连接；所述测量装置(1)包括多模光纤(11)；
所述测量装置(1)用于根据已知光得到多个偏振光，将各个所述偏振光依次输入至多模光纤(11)，得到测量数据集；
所述处理装置(3)用于构建初始测量模型，根据所述测量数据集训练所述初始测量模型，得到目标测量模型；
在待测光输入所述多模光纤(11)后，所述采集装置(2)用于对多模光纤(11)的出射端面进行采集，得到测量散斑图；
所述处理装置(3)还用于使用目标测量模型，根据所述测量散斑图得到测量斯托克斯参量，以实现对所述待测光偏振态的测量。
10.根据权利要求9所述基于多模光纤散斑的偏振测量系统，其特征在于，所述测量装置(1)还包括保偏光纤(12)、起偏器(13)和电动偏振控制器(14)，其中：
所述保偏光纤(12)和起偏器(13)依次连接，用于根据所述已知光得到已知固定偏振态的入射光；所述电动偏振控制器(14)，用于得到多个具有不同偏振态的偏振光；
所述处理装置(3)与所述电动偏振控制器(14)连接，所述处理装置(3)用于从所述电动偏振控制器(14)中获取所述入射光的偏振态，根据所述入射光的偏振态，计算得到所述偏振光各自对应的训练斯托克斯参量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310775052.5A CN116818103A (zh) | 2023-06-27 | 2023-06-27 | 一种基于多模光纤散斑的偏振测量方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310775052.5A CN116818103A (zh) | 2023-06-27 | 2023-06-27 | 一种基于多模光纤散斑的偏振测量方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116818103A true CN116818103A (zh) | 2023-09-29 |
Family
ID=88112163
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310775052.5A Pending CN116818103A (zh) | 2023-06-27 | 2023-06-27 | 一种基于多模光纤散斑的偏振测量方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116818103A (zh) |
-
2023
- 2023-06-27 CN CN202310775052.5A patent/CN116818103A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9976906B2 (en) | Light polarization state modulation and detection apparatuses and detection method | |
| RU2734018C2 (ru) | Способ и устройство для формирования данных, представляющих световое поле | |
| CN109901281B (zh) | 一种穆勒显微偏振像差校准方法及装置 | |
| RU2734115C2 (ru) | Способ и устройство для генерирования данных, характеризующих пиксельный пучок | |
| CN101813558A (zh) | 一种测量光学系统调制传递函数的装置及方法 | |
| CN102095387A (zh) | 基于偏振光分束成像的旋光角度场探测装置及其测量方法 | |
| CN112465137B (zh) | 一种基于光子神经网络的涡旋光束模态识别系统及方法 | |
| CN110191335A (zh) | 遥感相机成像质量评价与仿真系统 | |
| CN108604372A (zh) | 用于生成表示像素束的数据的方法和装置 | |
| CN116448020B (zh) | 基于pBRDF与动态TS算法的粗糙度测量装置及方法 | |
| CN113538381A (zh) | 一种弱光场样品Mueller矩阵快速检测方法及检测系统 | |
| CN109632092A (zh) | 一种基于空间光场的亮度测试系统及方法 | |
| CN105241557B (zh) | 一种新型迈克尔逊干涉条纹测控装置及其使用方法 | |
| CN114136894B (zh) | 一种基于涡旋波片的偏振检测系统的误差校准方法及装置 | |
| CN103308000A (zh) | 基于双目视觉的曲线物体测量方法 | |
| CN101793905B (zh) | 光纤式二维风速/风向测量装置及方法 | |
| CN101487737B (zh) | 一种利用可见光测量单模光纤模场分布的方法和装置 | |
| CN101294965A (zh) | 一种小型化无标记蛋白质芯片检测系统 | |
| CN113884027A (zh) | 基于自监督深度学习的几何约束相位展开方法 | |
| CN116818103A (zh) | 一种基于多模光纤散斑的偏振测量方法及系统 | |
| CN105181646A (zh) | 基于计算机视觉的透明介质折射率测量方法 | |
| CN114152578B (zh) | 基于涡旋波片的空间调制偏振检测方法 | |
| CN108475421A (zh) | 用于产生表示像素光束的数据的方法和装置 | |
| CN202268983U (zh) | 相机调制传递函数的测试装置 | |
| CN107271041A (zh) | 一种激光偏振态测量仪 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |